模式识别与人工智能
模式識彆與人工智能
모식식별여인공지능
Moshi Shibie yu Rengong Zhineng
2010年
4期
572-579
,共8页
语音合成%隐可尔科夫模型(HMM)%最小生成误差(MGE)%感知加权%线谱对参数
語音閤成%隱可爾科伕模型(HMM)%最小生成誤差(MGE)%感知加權%線譜對參數
어음합성%은가이과부모형(HMM)%최소생성오차(MGE)%감지가권%선보대삼수
提出一种基于感知加权线谱对(Line Spectral Pair,LSP)距离的最小生成误差(Minimum Generation Error,MGE)模型训练方法,用以改善基于隐马尔科夫模型的参数语音合成系统性能.在采用线谱对参数表征语音频谱特征时,传统MGE训练中使用的欧氏距离生成误差计算方法并不能较好地反映生成频谱与自然频谱之间的真实距离,而采用与谱参数无关的对数谱间距(Log Spectral Distortion,LSD)定义的生成误差函数可改善这一问题,但改进后主观效果不明显,且运算复杂度很高.文中先提出基于加权LSP距离的MGE模型训练方法,并在实验中从主客观对比不同加权方法以及基于LSD的MGE训练.最后,找到一种感知加权方法,不但具有较好的主观表现,而且在运算复杂度上与传统MGE训练相比几乎没有增加.
提齣一種基于感知加權線譜對(Line Spectral Pair,LSP)距離的最小生成誤差(Minimum Generation Error,MGE)模型訓練方法,用以改善基于隱馬爾科伕模型的參數語音閤成繫統性能.在採用線譜對參數錶徵語音頻譜特徵時,傳統MGE訓練中使用的歐氏距離生成誤差計算方法併不能較好地反映生成頻譜與自然頻譜之間的真實距離,而採用與譜參數無關的對數譜間距(Log Spectral Distortion,LSD)定義的生成誤差函數可改善這一問題,但改進後主觀效果不明顯,且運算複雜度很高.文中先提齣基于加權LSP距離的MGE模型訓練方法,併在實驗中從主客觀對比不同加權方法以及基于LSD的MGE訓練.最後,找到一種感知加權方法,不但具有較好的主觀錶現,而且在運算複雜度上與傳統MGE訓練相比幾乎沒有增加.
제출일충기우감지가권선보대(Line Spectral Pair,LSP)거리적최소생성오차(Minimum Generation Error,MGE)모형훈련방법,용이개선기우은마이과부모형적삼수어음합성계통성능.재채용선보대삼수표정어음빈보특정시,전통MGE훈련중사용적구씨거리생성오차계산방법병불능교호지반영생성빈보여자연빈보지간적진실거리,이채용여보삼수무관적대수보간거(Log Spectral Distortion,LSD)정의적생성오차함수가개선저일문제,단개진후주관효과불명현,차운산복잡도흔고.문중선제출기우가권LSP거리적MGE모형훈련방법,병재실험중종주객관대비불동가권방법이급기우LSD적MGE훈련.최후,조도일충감지가권방법,불단구유교호적주관표현,이차재운산복잡도상여전통MGE훈련상비궤호몰유증가.
